一种航空流量预测方法技术

本发明专利技术属于航空交通状态预测领域，涉及一种基于时空图卷积神经网络与高度分层加权的航空流量预测方法，包括：基于空间注意力机制和时间注意力机制，构建时空注意力模块，为航路点附近的节点施加不同权重；基于空间维度上的图卷积和时间维度上的标准卷积，构建时空卷积模块；利用时空注意力模块和时空卷积模块，构建时空图卷积网络；利用航空流量历史数据对构建的时空图卷积网络进行学习，获得三个部分的不同影响参数，所述航空流量历史数据包括三个特征值：速度、流量、时间占有率；按照不同飞行层向时空图卷积网络输入不同高度层的各个节点的航空流量历史数据，得到每个高度层的航路流量预测，之后通过加权算法对总体航空流量进行预测。

A prediction method of air traffic

【技术实现步骤摘要】
一种航空流量预测方法
本专利技术属于航空交通状态预测领域，涉及一种基于时空图卷积神经网络与高度分层加权的航空流量预测方法。
技术介绍
近年来，随着经济的快速发展，空中交通流量随之增大，空中交通变得更加复杂和不可控，随之而来就产生了空中交通堵塞的问题。因此，空中交通流量的预测已显得十分必要。借助历史交通流量值对未来流量做预测，本质是对交通流量的时间序列进行排序。当前已有一些研究，例如，使用多元线性回归进行推断，虽然该方法简单，但是准确性不高；使用最小二乘支持向量机，使用等式约束代替不等式约束，将二次规划问题变成线性方程求解问题，该算法更加先进，有较好的泛化能力，但是在中长期的预测上面误差较大。对于民航领域，不同类型、不同大小以及不同航向的飞机有着不同的飞行高度，因此在使用图卷积神经网络对航路流量计算的时候要考虑不同飞行高度层如何进行加权的问题，目前尚未有相关研究。
技术实现思路
为了弥补在航路流量预测上面的不精准问题，本专利技术提出一种基于时空图卷积神经网络与高度分层加权的航空流量预测方法，旨在通过对航路点与航路组成的图进行卷积，提取出流量特征，并进行不同高度层的加权处理，实现一段时间内的航空流量精准预测。本专利技术提供了一种航空流量预测方法，包括如下步骤：S1：基于空间注意力机制和时间注意力机制，构建时空注意力模块，为航路点附近的节点施加不同权重；S2：基于空间维度上的图卷积和时间维度上的标准卷积，构建时空卷积模块，以获得时空特征航空交通数据；S3：利用步骤S1中构建的时空注意力模块和步骤S2中构建的时空卷积模块，构成一个时空块，通过叠加多个时空块并最后增加一个全连接层，分别构成小时部分、天部分和周部分三个部分，最终构建带有注意力机制的时空图卷积神经网络，其中，小时部分包括了临近的M个时段；天部分包括了一天以及n，n<7天相同时段的多个时间序列；周部分包括了一周以及t周相同时段的多个时间序列；；S4：利用航空流量历史数据对构建的时空图卷积网络进行学习，获得小时部分、天部分和周部分三个部分的不同影响参数，所述航空流量历史数据包括三个特征值：速度、流量、时间占有率；利用式（15）将小时部分、天部分和周部分三个部分整合输出：（15）其中，、与为学习参数，分别反应航路流量预测中小时部分、天部分和周部分三个部分的不同影响参数；表示最终的预测结果；、、分别表示小时部分、天部分和周部分三个部分的预测结果；S5：按照不同飞行层向时空图卷积网络输入不同高度层的各个节点的航流量历史数据，得到每个高度层的航路流量预测，之后通过加权算法对总体航空流量进行预测。进一步，步骤S1中，空间注意力机制为：使用注意力机制自适应地捕捉空间维度中节点之间的动态关联性，空间维度中小时部分的信息为：（1）（2）其中，小时部分注意力矩阵∈RN*N表示N*N的向量，N代表N个观察的航路点；、∈RN*N为学习参数；表示sigmoid函数，作为神经网络的激励函数；为输入矩阵，C代表航路点的特征，代表输入的T个小时时间段；下标表示小时部分；上标表示第r-1层时空模块，当r=1时X0为对应当前小时的输入；、三个参数为权重值，∈RT、∈RC*T、∈RC，代表航路点i和j之间的连接关系，的公式表示为softmax函数的表达形式，目的是将小时部分注意力矩阵归一化；同理，空间维度中天部分的信息为：（3）其中，天部分注意力矩阵∈RN*N表示N*N的向量，N代表N个观察的航路点；代表输入的T天时间段；下标表示天部分；当r=1时X0为对应当前天的输入；将天部分注意力矩阵归一化同式（2）；空间维度中周部分的信息为：（4）其中，周部分注意力矩阵∈RN*N表示N*N的向量，N代表N个观察的航路点；代表输入的T周时间段；下标表示天部分；当r=1时X0为对应当前周的输入；将周部分注意力矩阵归一化同式（2）；时间注意力机制为：使用注意力机制来自适应地赋予输入的节点航空流量历史数据不同的权重，其中权重中小时部分的信息为：（5）（6）其中，表示小时部分时间关系矩阵；U1∈RT、U2∈RC*T、U3∈RC、Ve、be∈RN*N为学习参数；Ei，j为时间i与j之间的依赖强度；的公式表示是softmax函数的表现形式；最后E使用softmax函数归一化，归一化后的注意力矩阵E’将和输入矩阵X进行相乘得到最终输入，同理获得权重中天部分和周部分信息分别为：（7）（8）其中，表示天部分时间关系矩阵；表示周部分时间关系矩阵。进一步，步骤S2中，采用切比雪夫多项式近似进行空间维度上的图卷积：（9）其中，*G代表一种图卷积操作；为卷积核；表示整个图中所有的信息；为多项式系数的向量；T代表输入的T个小时时间段；表示拉普拉斯矩阵；表示拉普拉斯矩阵的一个变换，为一个N阶单位矩阵；下标表示0到k-1阶邻居；（10）λmax是为拉普拉斯矩阵的最大特特征值，切比雪夫多项式的迭代关系为：（11）（12）用卷积核提取0到k-1阶邻居的信息，将空间注意力机制用于该图卷积过程则为：（13）其中，⊙为哈达玛积；表示空间注意力矩阵；此外，由于输入数据X∈RN*C*T，因此对每个时间步要有C个滤波器，通过采用切比雪夫多项式近似进行空间维度上的图卷积，每个节点的信息都被周围0到k-1个节点的信息更新了，通过采用切比雪夫多项式近似进行空间维度上的图卷积获取了邻域信息之后，再叠加时间维度上的标准卷积层，在时间维度进一步合并相邻的时间信息，（14）其中，*表示标准卷积运算；为时间维度卷积核的参数；ReLU为激活函数；表示从1到r-1层的小时部分时间卷积模块的输入的拉普拉斯矩阵变换的值。进一步，步骤S5中通过加权算法对总体航空流量进行预测具体过程如下：定义Pm为第m飞行层的权重系数，不同层的飞机数量不同；不同高度飞行层的飞机航行速度也不同，因此Pm与第m飞行层的飞机数量以及飞行航行速度有关，得到加权算法，其中，表示第m飞行层的飞机数量，表示第m飞行层的飞机航行速度，，均服从某个正态分布概率，与第m飞行层有关。本专利技术的有益效果：1）本专利技术通过对航路点与航路组成的图的进行卷积，提取出流量特征，并进行不同高度层的加权处理，实现了一段时间内的航空流量预测，并提高了预测精确度；2）本专利技术通过构建空间和时间注意力模块，将航路点附近的节点施加不同权重，可以更加合理的分配资源。3）本专利技术建立带有注意力机制的图卷积神经网络，针对图论中的图中的结构对节点（将网络中的点和线定义为图论中的节点和边本文档来自技高网...

【技术保护点】
1.一种航空流量预测方法，其特征在于，包括如下步骤：/nS1：基于空间注意力机制和时间注意力机制，构建时空注意力模块，为航路点附近的节点施加不同权重；/nS2：基于空间维度上的图卷积和时间维度上的标准卷积，构建时空卷积模块；/nS3：利用步骤S1中构建的时空注意力模块和步骤S2中构建的时空卷积模块，构成一个时空块，通过叠加多个时空块并最后增加一个全连接层，分别构成小时部分、天部分和周部分三个部分，最终构建带有注意力机制的时空图卷积神经网络，其中，小时部分包括了临近的M个时段；天部分包括了一天以及n，n<7天相同时段的多个时间序列；周部分包括了一周以及t周相同时段的多个时间序列；/nS4：利用航空流量历史数据对构建的时空图卷积神经网络进行学习，获得小时部分、天部分和周部分三个部分的不同影响参数，所述航空流量历史数据包括三个特征值：速度、流量、时间占有率；/n利用式（15）将小时部分、天部分和周部分三个部分整合输出：/n

【技术特征摘要】
1.一种航空流量预测方法，其特征在于，包括如下步骤：
S1：基于空间注意力机制和时间注意力机制，构建时空注意力模块，为航路点附近的节点施加不同权重；
S2：基于空间维度上的图卷积和时间维度上的标准卷积，构建时空卷积模块；
S3：利用步骤S1中构建的时空注意力模块和步骤S2中构建的时空卷积模块，构成一个时空块，通过叠加多个时空块并最后增加一个全连接层，分别构成小时部分、天部分和周部分三个部分，最终构建带有注意力机制的时空图卷积神经网络，其中，小时部分包括了临近的M个时段；天部分包括了一天以及n，n<7天相同时段的多个时间序列；周部分包括了一周以及t周相同时段的多个时间序列；
S4：利用航空流量历史数据对构建的时空图卷积神经网络进行学习，获得小时部分、天部分和周部分三个部分的不同影响参数，所述航空流量历史数据包括三个特征值：速度、流量、时间占有率；
利用式（15）将小时部分、天部分和周部分三个部分整合输出：

（15）
其中，、与为学习参数，分别反应航路流量预测中小时部分、天部分和周部
分三个部分的不同影响参数；、、分别表示小时部分、天部分和周部分三个部分的
预测结果；表示最终的预测结果；
S5：按照不同飞行层向时空图卷积神经网络输入不同高度层的各个节点的航空流量历史数据，得到每个高度层的航路流量预测，之后通过加权算法对总体航空流量进行预测。


2.根据权利要求1所述的方法，其特征在于，步骤S1中，
空间注意力机制为：
使用注意力机制自适应地捕捉空间维度中节点之间的动态关联性，空间维度中小时部分的信息为：

（1）

（2）
其中，小时部分注意力矩阵∈RN*N表示N*N的向量，N代表N个观察的航路点；、∈
RN*N为学习参数；表示sigmoid函数，作为神经网络的激励函数；为输入矩阵，
C代表航路点的特征，代表输入的T个小时时间段；下标表示小时部分；上标表示
第r-1层时空模块，当r=1时X0为对应当前小时的输入；、三个参数为权重值，∈RT、∈RC*T、∈RC，代表航路点i和j之间的连接关系，的公式表示为
softmax函数的表达形式，目的是将小时部分注意力矩阵归一化；
同理，空间维度中天部分的信息为：

（3）
其中，天部分注意力矩阵∈RN*N表示N*N的向量，N代表N个观察的航路点；代表输
入的T天时间段；下标表示天部分；当r=1时X0为对应当前天的输入；将天部分注意力矩阵归一化同式（2）；
空间维度中周部分的信息为：

（4）
其中，周部分注意力矩阵∈RN*N表示N...

【专利技术属性】
技术研发人员：杜文博，梁卜予，曹先彬，朱熙，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11